Curso de LLM Engineering: RAG, agentes, evals, MCP y producción

Curso abierto y bilingüe de LLM Engineering para quienes necesitan llevar sistemas de IA a producción. Sus nueve módulos y laboratorios ejecutables cubren interfaces de modelos, contratos de prompt, RAG, agentes, Model Context Protocol (MCP), harnesses, loops, grafos de conocimiento, evaluación, seguridad y LLMOps.

Profesionales en activo mantienen el currículo mediante pull requests públicas. Cada mejora fusionada conserva la autoría y el historial de revisión.

Construye algo útil en los primeros 40 minutos. Empieza con un cliente LLM multiproveedor que mide tokens, latencia y fallos.

Empezar el módulo 01 →  ·  Medir mi nivel en el Club Quiz →  ·  Crear un reto en directo →

El problema desde el que parte este curso#

La demo responde bien en tu portátil. Después el proveedor cambia un modelo, el retrieval no encuentra el fragmento decisivo, una herramienta repite una operación y nadie sabe explicar la factura. La parte difícil de LLM Engineering empieza después de obtener la primera respuesta correcta.

Esta ruta enseña a construir sistemas LLM que puedas inspeccionar, medir, detener, recuperar y defender durante una revisión técnica. El progreso se demuestra con artefactos ejecutables, no con horas de vídeo consumidas.

Elige tu punto de entrada#

Quieres…	Empieza aquí
Construir tu primera aplicación LLM medible	Empezar el curso interactivo
Descubrir qué lagunas tienes	Hacer el Club Quiz de 20 preguntas
Competir con las mismas preguntas junto a un equipo	Crear una sala de Club Live
Mejorar una lección, lab o ejemplo	Leer la guía de contribución

La web conserva el progreso normal en el navegador, sin registro ni cookies. Las funciones competitivas están separadas y el resultado solo se vincula a un perfil social si su propietario lo decide después.

Qué vas a construir#

Módulo	Pregunta de ingeniería	Prueba de trabajo	Esfuerzo orientativo
01 · Interfaces de modelo	¿Cómo sustituir un modelo sin reescribir el producto?	Cliente multiproveedor observable	15–18 h
02 · Contexto y contratos	¿Cómo convertir instrucciones y salidas en interfaces testeables?	Regresión A/B de contratos	38–45 h
03 · Retrieval Engineering	¿Cómo saber qué evidencia se recuperó y por qué?	RAG con citas, abstención y métricas	50–60 h
04 · Interfaces de agentes	¿Qué puede hacer un agente y con qué autoridad?	Agente con tools tipadas y MCP	50–60 h
05 · Harness Engineering	¿Qué entorno permite que un agente trabaje de forma verificable?	Harness aislado con una suite de evals	25–35 h
06 · Loop Engineering	¿Cómo progresa, se detiene y se recupera una ejecución?	Loop acotado, duradero e idempotente	25–35 h
07 · Graph Engineering	¿Cómo se conectan estado, conocimiento y procedencia?	Sistema híbrido de grafos evaluado	25–35 h
08 · Production Engineering	¿Qué ocurre cuando fallan modelos, datos o dependencias?	Servicio con SLOs, evals y runbook	50–60 h
09 · Proyecto de campo	¿Puedes defender cada decisión con evidencia real?	Sistema desplegado y demo reproducible	47–57 h

La ruta de aprendizaje completa explica prerrequisitos, bifurcaciones y la evidencia necesaria para saltarse material que ya dominas. La preparación de certificaciones en certificaciones/ es opcional y no constituye el centro del curso.

Cómo funciona el currículo#

1. Elige la primera prueba de trabajo que todavía no puedas producir.
2. Lee solamente la teoría necesaria para construirla.
3. Ejecuta el laboratorio y rompe su camino feliz.
4. Conserva las trazas, métricas y decisiones que explican el resultado.
5. Pide a otra persona que lo reproduzca y lo cuestione.

Cada módulo contiene un mapa, lecciones, laboratorios ejecutables, ejercicios con criterios públicos y un proyecto. Los modelos y frameworks cambiarán; los contratos, los modos de fallo y la evidencia seguirán siendo útiles.

Stack actual de LLM Engineering#

El stack ejecutable fue revisado el 23 de agosto de 2026. Sus valores configurables por defecto son gpt-5.6-luna y claude-haiku-4-5. Los laboratorios usan OpenAI Responses, Anthropic Messages y tool use, LangGraph 1.2, MCP Python SDK 2.x, Qdrant y RAGAS 0.4.3. Las integraciones históricas solo permanecen cuando ayudan a explicar una migración o decisión de diseño.

Conocimiento público y material competitivo privado#

Este repositorio público contiene lecciones, enunciados, datos ficticios, rúbricas, fuentes y tests. No contiene solucionarios editoriales, claves de simulacros ni el banco activo de preguntas del Club Quiz.

Una contribución puede proponer un objetivo evaluable y su blueprint público. La variante competitiva exacta se produce y revisa fuera del repositorio público. Las preguntas retiradas podrán publicarse después como práctica abierta. Consulta la política de contribuciones al Club Quiz para conocer la frontera completa.

Contribuir#

Una contribución útil puede ser una afirmación corregida, un fallo reproducible, una explicación mejor, un nuevo laboratorio, una integración actualizada o una revisión técnica. El trabajo fusionado queda atribuido permanentemente al perfil de GitHub y a la pull request de su autor.

Lee CONTRIBUTING.md, utiliza fuentes primarias y cubre tanto el camino feliz como un fallo relevante. Las soluciones completas y las claves activas se rechazan automáticamente.

Ejecutar en local#

Necesitas Python 3.12+, Node.js y uv. La instalación completa está explicada en setup/README.md.

uv sync --locked --all-extras
uv run python setup/check_env.py --profile all
node scripts/validate-public-content.mjs
node scripts/validate-course-contracts.mjs
node scripts/validate-translations.mjs --complete
node --test scripts/tests/*.test.mjs
uv run pytest -q

El CI también audita dependencias, analiza el código Python y los workflows, prueba el contenedor de producción y evita que se publiquen soluciones por accidente.

Licencia#

El contenido educativo se publica bajo CC BY 4.0 y el código bajo licencia MIT. La atribución de cada contribución fusionada se conserva en llmengineerclub.com.